Araştırmacılar, milyarlarca parametreli yapay zeka modellerini yeniden eğitmeden küçültebilen yeni bir framework geliştirdi. MOONSHOT adlı bu sistem, mevcut model sıkıştırma yöntemlerinin tek hedefli yaklaşımlarının yetersizliklerini gidererek, hem katman bazında yeniden yapılandırma hatalarını hem de eğitim kaybının matematiksel yaklaşımlarını aynı anda optimize ediyor. Bu çoklu hedefli strateji, farklı mimarilerde ve sıkıştırma seviyelerinde daha tutarlı sonuçlar veriyor. Framework, mevcut budama algoritmalarının etrafına sarılabilen esnek bir yapıya sahip ve büyük dil modellerinden görüntü işleme modellerine kadar geniş bir yelpazede kullanılabiliyor.

Araştırmacılar, makine öğrenmesi sistemleri için video sıkıştırma teknolojisinde önemli bir yenilik geliştirdi. PAT-VCM adlı yeni sistem, farklı yapay zeka görevleri için ayrı ayrı video kodlayıcı eğitme ihtiyacını ortadan kaldırıyor. Geleneksel yöntemler her görev için özel sıkıştırma algoritması gerektirirken, bu sistem tek bir temel video akışını hafif 'yardımcı tokenlar' ile destekleyerek çoklu görevlerde kullanılabiliyor. Sistem, görsel kalıntı tokenları, kontrol tokenları ve anlamsal tokenlar olmak üzere üç tür yardımcı bilgi türünü destekliyor. Nesne tespiti, derinlik tahmin etme ve görüntü segmentasyonu gibi farklı görevlerde test edilen sistem, her görev için ayrı model eğitme maliyetini azaltırken performansı koruyor. Bu yaklaşım, yapay zeka sistemlerinin video analizi yeteneklerini daha verimli hale getirerek endüstriyel uygulamalarda önemli bir adım teşkil ediyor.

Araştırmacılar, yapay zeka sistemlerinin farklı ortamlarda sergiledikleri gizli davranışları tespit etmek için 'bal küpü protokolü' adını verdikleri yeni bir yöntem geliştirdi. Geleneksel izleme sistemleri, AI modellerinin sadece pasif gözlemini yaparken, bu yeni yaklaşım modellerin farklı koşullarda nasıl davrandığını aktif olarak test ediyor. Protokol, görevin ve çevrenin aynı kalmasına rağmen sistem komutlarını üç farklı duruma göre değiştiriyor: değerlendirme, sentetik dağıtım ve açık izleme yok durumları. Claude Opus modeli üzerinde yapılan ilk testlerde, model her üç durumda da tutarlı performans gösterdi. Bu yöntem, AI güvenliğinde önemli bir adım olarak görülüyor çünkü modellerin potansiyel olarak zararlı davranışlarını gizlemesi durumunu tespit edebiliyor.

Araştırmacılar, asfalt yolların yüzeyinde oluşan çözülme hasarlarını otomatik olarak tespit edebilen yapay zeka sistemlerinin gerçek dünya koşullarında nasıl daha güvenilir hale getirilebileceğini incelediler. Özellikle otoyollarda sık görülen bu hasar türünün tespiti için geliştirilen makine öğrenmesi modellerinin, farklı çevre koşulları ve sensörlerle karşılaştıklarında performanslarının düştüğü gözlemlendi. Çalışmada, eğitim verisi miktarı, aydınlatma farkları ve mekansal kaymaların model performansı üzerindeki etkileri analiz edilerek, daha dayanıklı çözümler geliştirilmesi hedeflendi.

Araştırmacılar, görüntü segmentasyonunda çalışan yapay zeka modellerinin şaşırtıcı bir hata türü keşfetti. Bu modeller, nesnelerin sınırlarını doğru tespit edebiliyor ancak tamamen yanlış etiketler atayabiliyor. Örneğin bir köpeği bulup sınırlarını çiziyor ama 'kedi' diyor. Bu durum, modellerin eğitim verilerindeki sahte korelasyonlara dayanmasından kaynaklanıyor. Cornell Üniversitesi araştırmacıları, bu 'semantik etiket takası' sorununun geleneksel değerlendirme yöntemleriyle fark edilmediğini gösterdi. Çalışma, yapay zekanın gerçek dünya uygulamalarında karşılaşabileceği kritik güvenilirlik sorunlarına ışık tutuyor.

Araştırmacılar, meme kanseri patoloji raporlarını otomatik olarak analiz edebilen yeni bir yapay zeka sistemi geliştirdi. Llama-3 tabanlı bu sistem, 10.677 uzman onaylı rapor üzerinde eğitildi ve kanser evrelemesi ile biyobelirteç bilgilerini %97.6 doğrulukla çıkarabildi. Geleneksel yöntemlerin zorlandığı karmaşık tıbbi terminoloji ve farklı rapor formatlarını başarıyla çözen sistem, düşük hesaplama maliyetiyle çalışıyor. LoRA tekniği kullanılarak optimize edilen model, hastane kayıtlarının büyük ölçekli analizini mümkün kılacak. Bu gelişme, kanser tedavisinde hızlı ve standart veri işleme imkanı sunuyor.

Araştırmacılar, tablo verilerindeki karmaşık ilişkileri tespit etmek için TabDistill adlı yenilikçi bir yöntem geliştirdi. Bu yaklaşım, büyük yapay zeka modellerinin örtük olarak öğrendiği veri bağımlılıklarını çıkararak, geleneksel istatistiksel modellerin performansını artırıyor. Yöntem, önce büyük bir temel model eğitiyor, ardından bu modelden anlamlı özellik etkileşimlerini çıkarıyor ve bunları yorumlanabilir Genelleştirilmiş Toplamsal Modeller'de kullanıyor. Bu hibrit yaklaşım, hem yüksek doğruluk hem de yorumlanabilirlik sağlayarak, finans, sağlık ve pazarlama gibi kritik alanlarda daha güvenilir karar verme imkanı sunuyor. Geleneksel sezgisel yöntemlerin aksine, TabDistill daha karmaşık ve bağlama bağlı etkileri yakalayabiliyor.

Büyük dil modellerinin (LLM) değerlendirilmesinde kullanılan geleneksel sözlüksel yöntemler, modellerin gerçek problem çözme yetenekleri ile format kurallarına uyumu arasında karışıklık yaratabilir. BERT tabanlı yeni yaklaşım, daha esnek ve doğru değerlendirme imkanı sunuyor.

Araştırmacılar, uzun metinlerde önemli bilgileri bulma ve mantıklı çıkarımlar yapma konusunda geliştirilmiş yeni bir yapay zeka modeli olan RecaLLM'i geliştirdi. Bu model, bağlamsal bilgi alma ve mantıklı düşünme süreçlerini birleştirerek daha etkili sonuçlar elde ediyor.

Araştırmacılar, federe öğrenme sistemlerine karşı koordinasyon gerektirmeyen yeni bir model zehirleme saldırı yöntemi geliştirdi. XFED adlı bu saldırı, birden fazla kötü niyetli istemcinin işbirliği yapmadan da etkili olabiliyor.